scrapy框架系列 (1) 初识scrapy

电玩女神 2022-05-30 03:05 217阅读 0赞

# Scrapy 框架 #

*  Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。
 *  框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。
 *  Scrapy 使用了 Twisted`['twɪstɪd]`(其主要对手是Tornado)异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

## Scrapy架构图(绿线是数据流向)： ##

![20180303093122566][]

*  `Scrapy Engine(引擎)`: 负责`Spider`、`ItemPipeline`、`Downloader`、`Scheduler`中间的通讯，信号、数据传递等。
 *  `Scheduler(调度器)`: 它负责接受`引擎`发送过来的Request请求，并按照一定的方式进行整理排列，入队，当`引擎`需要时，交还给`引擎`。
 *  `Downloader（下载器）`：负责下载`Scrapy Engine(引擎)`发送的所有Requests请求，并将其获取到的Responses交还给`Scrapy Engine(引擎)`，由`引擎`交给`Spider`来处理，
 *  `Spider（爬虫）`：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给`引擎`，再次进入`Scheduler(调度器)`，
 *  `Item Pipeline(管道)`：它负责处理`Spider`中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.
 *  `Downloader Middlewares（下载中间件）`：你可以当作是一个可以自定义扩展下载功能的组件。
 *  `Spider Middlewares（Spider中间件）`：你可以理解为是一个可以自定扩展和操作`引擎`和`Spider`中间`通信`的功能组件（比如进入`Spider`的Responses;和从`Spider`出去的Requests）

## Scrapy的运作流程 ##

代码写好，程序开始运行...

1.  `引擎`：Hi！`Spider`, 你要处理哪一个网站？
2.  `Spider`：老大要我处理xxxx.com。
3.  `引擎`：你把第一个需要处理的URL给我吧。
4.  `Spider`：给你，第一个URL是xxxxxxx.com。
5.  `引擎`：Hi！`调度器`，我这有request请求你帮我排序入队一下。
6.  `调度器`：好的，正在处理你等一下。
7.  `引擎`：Hi！`调度器`，把你处理好的request请求给我。
8.  `调度器`：给你，这是我处理好的request
9.  `引擎`：Hi！下载器，你按照老大的`下载中间件`的设置帮我下载一下这个request请求
10. `下载器`：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后`引擎`告诉`调度器`，这个request下载失败了，你记录一下，我们待会儿再下载）
11. `引擎`：Hi！`Spider`，这是下载好的东西，并且已经按照老大的`下载中间件`处理过了，你自己处理一下（注意！这儿responses默认是交给`def parse()`这个函数处理的）
12. `Spider`：（处理完毕数据之后对于需要跟进的URL），Hi！`引擎`，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。
13. `引擎`：Hi ！`管道` 我这儿有个item你帮我处理一下！`调度器`！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。
14. ```管道``调度器```：好的，现在就做！

**注意！只有当`调度器`中不存在任何request了，整个程序才会停止，（也就是说，对于下载失败的URL，Scrapy也会重新下载。）**

### 制作 Scrapy 爬虫 一共需要4步： ###

*  新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
 *  明确目标 （编写items.py）：明确你想要抓取的目标
 *  制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
 *  存储内容 （pipelines.py）：设计管道存储爬取内容

[20180303093122566]: /images/20220530/7c2b389310f4470b866fd8ecc964ecca.png